YOLOvME : la révolution numérique des forêts

Stefano Puliti est chercheur en télédétection forestière au Norwegian Institute of Bioeconomy Research (NIBIO), au sein du département chargé de l’inventaire forestier national. NIBIO est l’un des plus grands instituts de recherche de Norvège et compte environ 700 employés. Ses travaux contribuent à la sécurité alimentaire, à la gestion durable des ressources, à l’innovation et à la création de valeur grâce à la recherche et à la production de connaissances.

Dans ses recherches, il utilise des drones et d’autres techniques de détection à proximité, comme le balayage laser mobile, pour produire les analyses avancées nécessaires afin de répondre aux besoins modernes en information.

Une grande partie de ses travaux a été réalisée dans le cadre du projet SmartForest, un programme de recherche à long terme financé par le Conseil norvégien de la recherche et la plupart des acteurs de l’industrie forestière en Norvège. SmartForest a pour objectif d’améliorer l’efficacité du secteur forestier norvégien en favorisant une révolution numérique qui transforme l’information forestière, la sylviculture, les opérations forestières, l’approvisionnement en bois et le flux global d’informations numériques dans le secteur.

Stefano a travaillé pendant de nombreuses années sur des applications plus traditionnelles d’apprentissage automatique, comme les forêts aléatoires et les machines à vecteurs de support. Il y a environ trois ans, il a compris qu’il était temps de passer à la vitesse supérieure dans le domaine de l’apprentissage profond, qui est encore en plein essor dans le secteur forestier. Depuis qu’il a pris conscience des immenses avantages que les chercheurs peuvent tirer de l’apprentissage profond, Stefano développe plusieurs applications dans le domaine de la vision par drone et par machine.

Depuis combien de temps utilises-tu YOLOv5 ?#

« Je l’utilise depuis l’été 2021 et je ne l’ai jamais abandonné depuis ! Je dois dire que ça a été le coup de foudre grâce à la facilité avec laquelle j’ai pu faire fonctionner le dépôt YOLOv5 . C’était extrêmement précieux pour moi, car à l’époque, je ne connaissais pas très bien python et la courbe d’apprentissage peu raide de YOLOv5 a fait toute la différence. »

Stefano avait eu recours à la détection d’objets principalement pour repérer les arbres en mauvais état dans des images prises par drone, que leur état soit dû à des agents abiotiques (sécheresse, vent, neige) ou biotiques (insectes et champignons). Depuis, lui et ses collègues ont développé toute une famille de détecteurs YOLOv5, pour repérer notamment les nids-de-poule, les bords de route et les verticilles.

« Avant de découvrir YOLOv5, j’avais essayé sans succès d’entraîner des détecteurs d’objets avec l’API TensorFlow Object Detection pendant un certain temps. Puis je suis tombé sur le dépôt YOLOv5 et, sans grand espoir, j’ai tenté d’entraîner un détecteur. À ma grande surprise, j’ai commencé le processus d’apprentissage avec quatre lignes de code. Je ne sais pas si on peut parler d’un raisonnement ou plutôt d’un coup de chance, mais c’était parti. »

La plupart des modèles sont ensuite déployés sur leur solution cloud (ForestSens) afin de proposer des services au secteur forestier. Les utilisateurs peuvent notamment y importer des images prises par drone, qui sont ensuite transformées en informations exploitables grâce à notre famille de modèles YOLOv5. Certains de leurs détecteurs entraînés sont également déployés en périphérie, sur des machines forestières ou des camions grumiers.

Depuis le début, Stefano et son équipe ont développé toute une série de modèles YOLOv5 destinés à aider à :

1. Évaluer la qualité du bois
2. Besoins de suivi pour l’entretien des routes forestières
3. Détecter les éléments importants pour la biodiversité en forêt

Ils étudient également la possibilité d’étendre leurs modèles basés sur les drones, utilisés pour évaluer la santé des forêts et réaliser des inventaires, à des images aériennes et satellite de résolution plus grossière.

Avec les dernières versions de YOLOv5, ils attendent avec impatience les fonctionnalités de classification d’images et de segmentation sémantique que YOLOv5 pourrait offrir. Ces fonctionnalités leur permettront de résoudre des tâches complexes de vision par ordinateur en milieu forestier.

La simplicité de la configuration, tant pour l’entraînement des modèles (version Docker) que pour leur déploiement, a fait de YOLOv5 une excellente option pour l’équipe.

« L’un des aspects d’Ultralytics qui m’a toujours fasciné est son modèle économique relativement récent, fondé sur du code ouvert et proposant des produits payants pour permettre aux non-spécialistes d’accéder à la puissance de l’apprentissage profond. En tant que scientifique, j’apprécie beaucoup l’ouverture d’Ultralytics et je trouve que c’est un excellent moyen d’accélérer le développement des produits. Grâce aux contributions de nombreux spécialistes des données et praticiens, YOLOv5 bénéficie ainsi d’améliorations assez radicales et évolue constamment. »

Que conseillerais-tu à une personne qui débute en IA ?#

Lors de conférences internationales l’année dernière, j’ai constaté que les chercheurs en foresterie étaient soit effrayés par la complexité de l’apprentissage profond, soit convaincus qu’il ne pouvait pas contribuer à leurs recherches. Dans tous ces cas, j’ai conseillé de consacrer une demi-journée à l’annotation, puis d’essayer d’entraîner un modèle YOLOv5 pour comprendre sa puissance et sa simplicité.

Pour reprendre exactement mes paroles : « Ta méthode ne fonctionne pas ? Alors, fais du YOLO ! »

Pour suivre l’actualité de Stefano Puliti et de ses travaux, n’hésite pas à consulter son profil NIBIO.

Tu as ton propre cas d’utilisation de YOLOv5 ?#

Identifie-nous avec #YOLOvME sur nos réseaux sociaux et partage ton cas d’utilisation de YOLOv5 : nous ferons connaître ton travail à la communauté du ML.